1.2.2. Présentation du modèle
statistique.
Nous avions précisé plus haut que nous
travaillons sur 6 banques des 12 banques dont le Cameroun comptait en fin 2010.
Les 6 banques sont : L'Afriland First Bank (First Bank); la Banque
Internationale du Cameroun pour l'Epargne et le Crédit (BICEC); la
Commercial Bank of Cameroon (CBC) ; l'Ecobank Cameroun (Ecobank) ; la
Société Générale de Banques au Cameroun (SGBC) et
la National Financial Credit Bank (NFC Bank). Ainsi les données obtenues
nous permettent de déterminer notre modèle statistique.
Les données utilisées en
économétrie sont le plus souvent des séries
chronologiques, telles que le nombre d'entrées de touristes par mois, la
croissance annuelle du PIB, etc. Par ailleurs, on peut disposer de
données en coupe instantanée concernant une période
donnée, telle que la valeur ajoutée des entreprises du secteur
manufacturier pour l'exercice 2009. Les données de panel, ou
données longitudinales possèdent les deux dimensions
(individuelle et temporelle) et rapportent les valeurs des variables
considérées relevées pour un ensemble, ou panel,
d'individus sur une période donnée. C'est ainsi que nous pouvons
avoir pour ce qui est des données de panel les modèles à
effets fixes.
MASTER II RECHERCHE EN COMPTABILITE ET FINANCE 2012-2013 Page
45
LES ENJEUX DE LA SURLIQUIDITE BANCAIRE AU CAMEROUN.
Le modèle à effets fixes suppose que les
relations entre la variable dépendante et les variables explicatives
sont identiques pour tous les individus. Vu nos données, le
modèle à effets fixes est impossible, alors nous avions
été obligé d'utiliser le modèle dynamique.
Un modèle dynamique est un modèle dans lequel un
ou plusieurs retards de la variable dépendante figurent comme variables
explicatives. A l'inverse des GMM (méthode des moments
généralisés) en panel dynamique, les techniques
économétriques standards comme les MCO ne permettent pas
d'obtenir des estimations sans biais d'un tel modèle, à cause de
la présence de la variable dépendante retardée à
droite de l'équation. Il s'en suit des estimations biaisées. La
méthode GMM repose sur les conditions d'orthogonalité entre les
variables retardées et le terme d'erreur, aussi bien en
différences premières qu'en niveau. Lorsque le modèle
dynamique est exprimé en différences premières, les
instruments sont en niveau, et vice versa. Dans le modèle à
estimer, l'utilisation des variables retardées comme instruments
diffère selon la nature des variables explicatives:
(a) Pour les variables exogènes, leurs valeurs courantes
sont utilisées comme instruments.
(b) Pour les variables prédéterminées ou
faiblement exogènes (des variables qui peuvent être
influencées par les valeurs passées de la variable
dépendante, mais qui restent non corrélées aux
réalisations futures du terme d'erreur), leurs valeurs retardées
d'au moins une période peuvent être utilisées comme
instruments.
(c) Pour les variables endogènes, leurs valeurs
retardées de deux périodes et plus peuvent être des
instruments valides.
La validité des instruments retenus peut être
confirmée ou infirmée, à partir des tests de Hansen et de
Sargan. Il existe deux variantes d'estimateur des GMM en panel dynamique:
L'estimateur GMM en différences premières et l'estimateur GMM en
système.
L'estimateur GMM en différences premières
d'Arellano et Bond (1991) consiste à prendre pour chaque période
la première différence de l'équation à estimer pour
éliminer les effets spécifiques individuels. On obtient :
Ayi,t = âA yi,t-1 +p AXi,t + A å
i,t
Il s'agit ensuite d'instrumenter la variable endogène
retardée par ses valeurs passés de 2 périodes et plus.
Cependant, cette méthode ne permet pas d'identifier l'effet des facteurs
invariants dans le temps. De plus, Blundel et Bond (1998) ont montré
à l'aide des simulations de Monte Carlo que l'estimateur GMM en
système est plus performant que celui en différences
premières, ce dernier donne des résultats biaisés dans des
échantillons finis lorsque les instruments sont faibles.
MASTER II RECHERCHE EN COMPTABILITE ET FINANCE 2012-2013 Page
46
LES ENJEUX DE LA SURLIQUIDITE BANCAIRE AU CAMEROUN.
L'estimateur GMM en système de Blundel et Bond (1998),
combine les équations en différences premières avec les
équations en niveau. Les instruments dans l'équation en
différences premières sont exprimés en niveau, et vice
versa.
Au regard de la petite taille de notre population qui est de 6
banques, les tests multidimensionnels sont moins pertinents. Ainsi, nous avons
trouvé favorable d'utiliser la régression des données de
panel en s'appliquant au modèle dynamique parce que le nombre
d'observations est le produit de la taille et du nombre d'années
d'étude, soit 6 x 5 = 30 observations . Ici, en fonction des
données qui étaient à notre disposition, nous avions
considéré que la surliquidité bancaire est
expliquée par des comportements liés au temps ou temporels et par
la surliquidité retardée. Cela veut dire que ces comportements
varient en fonction des dates d'observation. Alors les données sont
organisées en panneaux (panel) comme suit : les données
temporelles sont indicées par i,t, tel que le
modèle d'analyse s'écrit :
Yi,t = constante
+Yit-1+aX1i,t+bX2i,t+cX3i,t+dX4i,t+eX5i,t+fX6i,t + €it
t=1,2,3,4,5
(2006, 2007, 2008, 2009 et 2010) et i=1,2,....,6.
Avec Yi,t , la variable de surliquidité ; Yi,t-1, la
variable de surliquidité retardée d'une période et X1 ; X2
; X3 ; X4 ; X5 ; et X6 les variables exogènes.
Après avoir présenté la
méthodologie à utiliser pour notre étude empirique, il est
opportun pour nous de passer à la présentation des
résultats ainsi qu'à l'interprétation de ces
résultats pour pouvoir répondre à notre question qui nous
préoccupe.
| 
